В связи с этим важным направлением дальнейших исследований является проведение структурно-целевого и сценарного анализа разработанной модели, с формулировкой содержательных выводов по результатам данных видов анализа.
Другим перспективным направлением исследований является модернизация самого представленного подхода в направлении разработки методик поддержки групповой экспертизы на этапе построения НКК, включающих в себя механизмы оценки согласованности суждений группы экспертов, а также механизмы достижения требуемой степени согласованности.
Литература
1. Авдеева З.К., Коврига С.В., Макаренко Д.И. Когнитивное моделирование для решения задач управления слабоструклурированными системами (ситуациями) // Управление большими системами. 2007. № 16. С. 26--39.
2. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. М.: Горячая линия -- Телеком, 2012.
3. Силов В.Б. Принятие стратегических решений в нечеткой обстановке. М.: ИНПРО-РЕС, 1995.
4. Робертс Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам / Пер. с англ. М.: Наука, 1986.
5. Isaev R.A., Podvesovskii A.G. Generalized model of pulse process for dynamic analysis of Sylov's fuzzy cognitive maps // CEUR Workshop Proceedings of the International Conference on Information Technology and Nanotechnology. Samara, Russia, April 25--27, 2017. No 1904. P. 57-63.
6. Подвесовский А.Г, Лагерев Д.Г, Коростелев Д.А. Применение нечетких когнитивных моделей для формирования множества альтернатив в задачах принятия решений // Вестник Брянского государственного технического университета. 2009. № 4 (24). С. 77-84.
7. Литвак Б.Г Экспертные технологии в управлении. М.: Дело, 2004.
8. Saaty T.L. Exploring the interface between hierarchies, multiple objectives and fuzzy sets // Fuzzy Sets and Systems. 1978. Vol. 1. No 1. P. 57-68.
9. Yager R.R. Level sets for membership evaluation of fuzzy subset // Fuzzy Sets and Possibility Theory: Recent Developments (R.R. Yager, ed.). N.Y.: Pergamon, 1982. P 90-97.
10. Исаев РА. Модифицированный метод парных сравнений для экспертной оценки параметров нечеткой когнитивной модели // Современные информационные технологии и ИТ-образование. 2016. Т. 12. № 2. С. 35-42.
11. Исаев РА., Подвесовский А.Г Оценка согласованности суждений эксперта при построении функции принадлежности нечеткого множества методом множеств уровня // Современные информационные технологии и ИТ-образование. 2017. Т. 13. № 3. С. 9-15.
12. Подвесовский А.Г, Исаев Р.А. Применение множественного регрессионного анализа для параметрической идентификации нечетких когнитивных моделей // Труды IV международной конференции «Информационные технологии интеллектуальной поддержки принятия решений» (ITIDS'2016). Уфа, 17-19 мая 2016 г. Уфа: УГАТУ, 2016. Т. 2. С. 28-33.
13. Isaev R.A., Podvesovskii A.G. Application of time series analysis for structural and parametric identification of fuzzy cognitive models // CEUR Workshop Proceedings of the International Conference on Information Technology and Nanotechnology. Samara, Russia, April 24-27, 2018.
14. Мониторинг и прогнозирование региональной потребности в специалистах высшей научной квалификации / В.И. Аверченков и [др.]. Брянск: БГТУ, 2010.
15. Коростелев Д.А., Лагерев Д.Г, Подвесовский А.Г. Система поддержки принятия решений на основе нечетких когнитивных моделей «ИГЛА» // Одиннадцатая национальная конференция по искусственному интеллекту с международным участием (КИИ-2008). Дубна, 29 сентября - 3 октября 2008. Т. 3. С. 329-336.
16. Солдатова И.Ю. Государственные инновационные меры по устойчивому развитию сельских территорий // Материалы научнопрактической конференции с международным участием «Проблемы повышения эффективности местного самоуправления в условиях современных реформ и политических процессов в России». Ростов-на-Дону, 7-8 апреля 2015 г. С. 323-327.
17. Гатаулина Е.А. Развитие малого и среднего бизнеса в сельском хозяйстве - залог устойчивого развития сельских территорий // Научно-методические основы устойчивого развития сельских территорий. Сер. «Научные труды ВИАПИ» Всероссийский институт аграрных проблем и информатики имени А.А. Никонова. Москва, 2015. С. 70-88.
18. Овчинцева Л.А., Котомина М.А. Новая роль регионов в устойчивом развитии сельских территорий // Никоновские чтения. 2013. № 18. С. 248-252.
19. Подгорская С.В. Повышение кадрового потенциала сельских территорий как основа их устойчивого развития // Материалы международной научно-практической конференции «Сельское хозяйство России и зарубежья: современные вызовы экономического развития». Ростов-на-Дону, 3-4 октября 2018 г. С. 336-341.
20. Подгорская С.В. Концептуальная модель инвестиционного обеспечения развития социальной инфраструктуры села (на материалах Ростовской области). Дис. ... канд. экон. наук. Ростов-на-Дону, 2008.
21. Подгорская С.В., Тарасов А.С. Оценка эффективности маркетинговой деятельности в образовательной организации аграрного профиля // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2017. № 125. С. 247-257.
22. Бахматова ГА. Дифференциация территорий Ростовской области по уровню устойчивого развития с учетом географического положения // Научный журнал Российского НИИ проблем мелиорации. 2014. № 1 (13). С. 261-270.
23. Тарасов А.С., Антонова Н.И., Маркина Е.Д., Бахматова ГА. Формирование комплексного прогноза устойчивого развития инженерной, рыночной, и природоохранной инфраструктуры сельских территорий // Проблемы развития АПК региона. 2017. № 3 (31). С. 147-152.
24. Кремер Н.Ш., Путко Б.А. Эконометрика. М.: ЮНИТИ-ДАНА, 2010.
25. Подвесовский А.Г, Исаев Р.А. Метафоры визуализации нечетких когнитивных карт // Научная визуализация. 2018. Т. 10. № 4. С. 13-29.
Аннотация
В работе рассматривается нечеткое когнитивное моделирование как эффективное средство исследования слабоструктурированных социально-экономических систем. Основное внимание уделяется процессу построения (идентификации) нечетких когнитивных моделей как наиболее сложному и ответственному этапу когнитивного моделирования. Приведена классификация существующих методов идентификации: в соответствии с источником используемой информации, они подразделены на экспертные и статистические. Отмечается, что при построении нечетких когнитивных моделей слабоструктурированных систем типичной является ситуация, при которой в составе исследуемой системы одновременно имеются как количественные (измеримые) факторы, так и факторы относительной, качественной природы. При этом могут иметься в наличии статистические данные, описывающие количественные факторы, в то время как для описания качественных факторов единственным доступным источником информации остаются экспертные знания. В то же время каждый из существующих подходов к идентификации ориентирован на использование информации лишь одного из возможных типов: либо экспертной, либо статистической. Таким образом, актуальной является задача разработки более общего подхода к построению нечетких когнитивных моделей слабоструктурированных систем, обеспечивающего возможность согласованной обработки информации как экспертного, так и статистического происхождения и получения на ее основе достоверных и непротиворечивых результатов. Такой подход предложен в настоящей работе и основан на совместном использовании ранее разработанных авторами методик идентификации с последующим согласованием получаемых промежуточных результатов. С целью демонстрации работы предложенного подхода описан процесс его прикладного применения к задаче управления комплексным развитием сельских территорий. Полученная в результате нечеткая когнитивная модель может быть использована с целью прогнозирования состояния сельских территорий в условиях различных начальных тенденций и управляющих воздействий, а также для поиска и анализа эффективных стратегий управления их развитием.
Графическая аннотация
Ключевые слова: когнитивное моделирование; нечеткая когнитивная модель; идентификация когнитивной модели; метод парных сравнений; регрессионный анализ; социально-экономическая система; комплексное развитие сельских территорий.
The paper is devoted to fuzzy cognitive modeling, which is an effective tool for studying semi-structured socioeconomic systems. The emphasis is on the process of developing (identification) fuzzy cognitive models, which are the most complex and critical stage of cognitive modeling. Existing identification methods are classified as either expert or statistical, depending on the source of information used. Typically, when constructing fuzzy cognitive models of semi-structured systems, the system under consideration possesses both quantitative (measurable) factors and factors of a relative, qualitative nature. While statistical data on the quantitative factors may be available, the only available source of information on the qualitative factors is expert knowledge. However, each of the existing identification approaches focuses on just one source type, either expert or statistical. Thus, it is crucial to develop a more general approach to the development of fuzzy cognitive models for semi-structured systems to ensure reliable and consistent results by coordinated processing of information of both expert and statistical origins. We developed such an approach based on several identification methods with the subsequent coordination of intermediate results. To demonstrate the proposed approach, we applied it to a management problem of integrated development of rural areas. The fuzzy cognitive model we obtained can be used to predict the state of rural areas depending on initial trends and managerial actions, as well as to search and analyze effective managerial strategies for their development.
Key words: cognitive modeling; fuzzy cognitive model; identification of a cognitive model; pairwise comparison method; regression analysis; socio-economic system; integrated development of rural areas.